Filtern
Dokumenttyp
- Vortrag (4)
- Beitrag zu einem Tagungsband (3)
- Zeitschriftenartikel (1)
Referierte Publikation
- nein (8)
Schlagworte
- Dispersion (5)
- Inverse Probleme (4)
- Materialcharakterisierung (4)
- Convolutional Neuronal Networks (3)
- Maschinelles Lernen (3)
- Guided waves (2)
- Lamb Wellen (2)
- Composites (1)
- Dispersionsabbildungen (1)
- Elastic constants (1)
- Elastische Konstanten (1)
- Geführte Ultraschallwellen (1)
- Guided Waves (1)
- Image processing (1)
- Maschine learning (1)
- Neural networks (1)
- Thermoplastische Kunststoffe (1)
- Ultraschall (1)
- Ultrasonic guided waves (1)
- Vision transformer (1)
- guided waves (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (4)
Detailliertes Wissen über die mechanischen Eigenschaften verwendeter Materialien ist Grundvoraussetzung für viele ingenieurtechnische Aufgaben und Dienstleistungen. Zur Bestimmung der elastischen Materialparameter gibt es verschiedene klassische, zerstörende Prüfverfahren. Eine Möglichkeit der zerstörungsfreien Bestimmung liegt in der Auswertung von Messergebnissen, die auf Basis des Ausbreitungsverhaltens geführter Ultraschallwellen gewonnen wurden. Das Ausbreitungsverhalten geführter Ultraschallwellen kann mittels Dispersionsabbildungen dargestellt werden.
Um aus messtechnisch ermittelten Dispersionsabbildungen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Maschinelles Lernen und insbesondere Convolutional Neural Networks (CNNs) stellen eine Möglichkeit der automatisierten inversen Modellierung und Evaluierung von Bilddaten dar.
In diesem Beitrag wird gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine grundlegende CNN-Architektur gewählt. Zur Auswertung des generierten Modells werden verschiedene Verfahren wie Gradienten-Mapping und die Visualisierung der verschiedenen Schichten vorgestellt. Die Anwendbarkeit der Methode wird anhand synthetischer Daten demonstriert.
Akustische Verfahren eignen sich hervorragend zur Bestimmung der Werkstoffeigenschaften. Die Verfügbarkeit derartiger Verfahren ist vor allem für Kunststoffe wichtig, da deren Eigenschaften stark abhängig vom jeweiligen Herstellungsprozess und vom Alterungszustand sind. Exakte und vollständige Werte sind daher in Datenbanken oder von Herstellern nur begrenzt zu finden. Insbesondere die Entwicklung von Methoden zur Charakterisierung faserverstärkter Kunststoffe (FKV) ist nach wie vor Gegenstand der Forschung. Hier müssen anisotropiebedingt mehrere Kennwerte bestimmt werden. Da FKV zumeist als dünnwandige Bauteile zum Einsatz kommen, können die Werkstoffparameter aus den Dispersionseigenschaften der Lamb-Wellen, die sich in diesen Strukturen ausbreiten, abgeleitet werden. Dazu ist eine räumliche Abtastung des sich ausbreitenden Schallfelds erforderlich.
In der vorliegenden Untersuchung wird dieser Ansatz für die relativ neue Werkstoffklasse der faserverstärkten Thermoplaste angewendet. Diese zeichnet ein ausgeprägtes Dämpfungsverhalten und eine Anisotropie der Materialparameter aus. Dazu wurde das Schallfeld im Ultraschallbereich mit einem Laser-Doppler-Vibrometers vermessen. Rechnerisch bestimmte Dispersionskurven wurden dann an die gemessenen Werte angepasst, womit die richtungsabhängigen Materialparameter bestimmt werden konnten.
Im Vortrag wird das Messverfahren vorgestellt und auf spezielle Probleme, die sich z.B. aus dem Dämpfungsverhalten des Werkstoffs ergeben, eingegangen. Ausgewählte gemessene Werte werden mit den Ergebnissen von Referenzverfahren verglichen.
Detaillierte Kenntnisse der elastischen Materialeigenschaften sind in vielen ingenieurtechnischen Bereichen von grundlegender Bedeutung. Insbesondere für die Anwendung von Predictive Maintenance und Structural- Health-Monitoring Methoden mit Ultraschall ist die genaue Kenntnis der elastischen Materialkonstanten eine Grundvoraussetzung. Die von den Herstellern zur Verfügung gestellten Angaben zu den elastischen Materialkonstanten, insbesondere für Polymere und faserverstärkte Kunststoffe, sind jedoch oft unzureichend, da diese vom Produktionsprozess abhängig sind und sich zusätzlich aufgrund von Materialabbauprozessen oder Ermüdung ändern können. In der Praxis liegen polymere Werkstoffe, faserverstärkte Kunststoffe und Metalle oft als dünne, plattenförmige Strukturen vor, in welchen sich geführte Ultraschallwellen (UGWs) ausbreiten können. In der aktuellen Forschung sind bereits verschiedene Neuronale Modelle zur Bestimmung der elastischen Konstanten und der Materialcharakterisierung mittels UGWs bekannt. Ein einfaches neuronales Netz, mit aus Dispersionsbildern extrahierten Werten für Frequenz und Wellenzahl ausbeutungsfähiger Moden als Eingabe, zur Vorhersage der elastischen Konstanten wird in verwendet. Ein rekurrentes Neuronales Netz mit einem Zeit-Frequenz Vektor als Eingabe wird in angewandt, während in ein 1D- Convolutional-Neuronal-Networks (CNN) unter Verwendung der zeitlichen Auslenkung der Grundmoden und in ein 2D-CNN unter Verwendung einer polaren Gruppengeschwindigkeitsdarstellung zur Bestimmung der elastischen Konstanten verwendet wird. In diesem Vortrag wird ein Ansatz zur Bestimmung der isotropen elastischen Konstanten von dünnen Platten auf der Grundlage von UGWs unter Verwendung von Dispersionsbildern und 2D-CNNs vorgestellt. Dispersionsabbildungen aus numerischen Simulationen werden mithilfe verschiedener Methoden vorverarbeitet, um realistische Messdaten zu simulieren. Mit den modifizierten Daten wird das Modell trainiert und die Architektur optimiert. Anschließend wird die Genauigkeit des erzeugten Modells mit realen Messdaten validiert. Es wird gezeigt, dass 2D-CNNs in der Lage sind, die isotropen elastischen Konstanten anhand multimodaler Merkmale aus Dispersionsbildern vorherzusagen, ohne dass eine anfängliche Schätzung der Parameter oder manuelle Merkmalsextraktion erforderlich ist.
In the context of Industry 4.0 and especially in the field of Structural Health Monitoring, Condition Monitoring and Digital Twins, simulations are becoming more and more important. The exact determination of material parameters is required for realistic results of numerical simulations of the static and dynamic behavior of technical structures. There are many possibilities to determine
elastic material parameters. One possibility of non-destructive testing are ultrasonic guided waves. For the evaluation of the measurement results, mostly inverse methods are applied in order to be able to draw conclusions about the elastic material parameters from analysing the ultrasonic guided wave propagation. For the inverse determination of the elastic material Parameters with ultrasonic guided waves, several investigations were carried out, e.g. the determination of the isotropic material parameters through the point of zero-groupvelocity or anisotropic material parameters with a simplex algorithm. These investigations are based on the evaluation of dispersion images. Machine learning and in particular Convolutional Neural Networks (CNN) are one possibility of the automated evaluation from Image data, e.g. classification or object recognition problems. This article shows how the dispersive behavior of ultrasonic guided waves and CNNs can be used to determine the isotropic elastic constants of plate-like structures.
This presentation shows how the dispersive behavior of ultrasonic guided waves in isotropic materials can be used by means of Convolutional Neural Networks to determine the elastic parameters. For this purpose, the preprocessing, the training, the chosen architecture and the results are evaluated on the basis synthetic image data. This presentation was given at the SMSI 2021.
Um aus messtechnisch ermittelten Dispersionsabbildungen geführter Ultraschallwellen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Maschinelles Lernen und insbesondere Convolutional-Neural-Networks (CNNs) stellen eine Möglichkeit der automatisierten inversen Modellierung und Evaluierung von Bilddaten dar. In diesem Vortrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen.
Geführte Ultraschallwellen sind für die Materialcharakterisierung hervorragend geeignet, da ihr Ausbreitungsverhalten abhängig von den Materialeigenschaften des untersuchten Werkstoffs ist.
Um aus dem messtechnisch ermittelten Ausbreitungsverhalten geführter Ultraschallwellen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Dispersionsabbildungen im Frequenz-Wellenzahl-Bereich repräsentieren das Ausbreitungsverhalten geführter Ultraschallwellen. Maschinelles Lernen und insbesondere Convolutional-Neural-Networks (CNNs) sind eine Möglichkeit der automatisierten inversen Bestimmung der Materialparameter aus den Dispersionsabbildungen.
In diesem Beitrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs und Dispersionsabbildungen genutzt werden kann, um die elastischen Konstanten einer isotropen plattenförmigen Struktur zu bestimmen. Anhand dieses Beispiels wird das generelle Vorgehen zur Anwendung maschineller neuronaler Lernverfahren aufgezeigt. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine einfache CNN-Architektur gewählt. Im Rahmen der Auswertung wird insbesondere Wert auf die Erklärbarkeit und Zuverlässigkeit des verwendeten CNNs gelegt und so Grenzen und Möglichkeiten aufgezeigt.
This article presents a method to use the dispersive behavior of ultrasonic guided waves and neural networks to determine the isotropic elastic constants of plate-like structures through dispersion images. Therefore, two different architectures are compared: one using convolutions and transfer learning based on the EfficientNetB7 and a Vision Transformer-like approach. To accomplish this, simulated and measured dispersion images are generated, where the first is applied to design, train, and validate and the second to test the neural networks. During the training of the neural networks, distinct data augmentation layers are employed to introduce artifacts appearing in measurement data into the simulated data. The neural networks can extrapolate from simulated to measured data using these layers. The trained neural networks are assessed using dispersion images from seven known material samples. Multiple variations of the measured dispersion images are tested to guarantee the prediction stability. The study demonstrates that neural networks can learn to predict the isotropic elastic constants from measured dispersion images using only simulated dispersion images for training and validation without needing an initial guess or manual feature extraction, independent of the measurement setup. Furthermore, the suitability of the different architectures for generating information from dispersion images in general is discussed.